ChatGPT, Perplexity, Gemini, Claude: cómo elige cada uno sus fuentes
Perplexity, ChatGPT, Gemini, Claude: cada motor de IA tiene hábitos de selección de fuentes distintos según su arquitectura. Un panorama prudente, sin generalizaciones excesivas.
Los cuatro grandes motores generativos de uso masivo no seleccionan sus fuentes de la misma manera, porque se basan en arquitecturas y alianzas diferentes. Estas diferencias son observables en la práctica, pero evolucionan constantemente: lo que sigue describe tendencias, no reglas fijas.
Por qué existen estas diferencias
Antes de entrar en detalle motor por motor, conviene entender de dónde vienen estas diferencias. Dos factores pesan especialmente: la proporción de conocimiento "interno" (aprendido durante el entrenamiento del modelo) frente a la búsqueda web en tiempo real, y la existencia o no de alianzas comerciales con editores de contenido que pueden influir en la frecuencia con la que aparecen ciertas fuentes. Un motor que se apoya sobre todo en su conocimiento interno reacciona lentamente a los contenidos recién publicados; un motor que se apoya sobre todo en la búsqueda en tiempo real reacciona rápido, pero depende entonces mucho de la calidad técnica de la indexación. Otro factor a tener en cuenta es la fecha de corte del conocimiento de entrenamiento ("knowledge cutoff") de cada modelo: un motor cuyo entrenamiento se detuvo varios meses antes de su puesta en producción puede ignorar cambios recientes en vuestro sector, salvo que lo compense con una búsqueda web activa. Esta fecha varía de un modelo a otro y cambia con cada nueva versión, lo que hace aún más útil una verificación periódica en lugar de una evaluación fija.
Perplexity: el buscador conversacional
Perplexity está construido en torno a la búsqueda web en tiempo real: cada respuesta se apoya en un conjunto de resultados de búsqueda obtenidos en el momento de la consulta, luego sintetizados con citas numeradas que remiten a las páginas de origen. Esta arquitectura lo hace especialmente dependiente de la actualidad y la accesibilidad técnica de los contenidos (véase la lección sobre llms.txt y el sitemap XML para la parte técnica). En la práctica, Perplexity tiende a citar un abanico amplio de fuentes, incluyendo foros, sitios de noticias y páginas de documentación, lo que lo convierte en uno de los motores con mayor número de fuentes visibles por respuesta.
ChatGPT (con navegación): entre conocimiento entrenado y búsqueda en vivo
ChatGPT combina conocimientos aprendidos durante el entrenamiento del modelo y, cuando la navegación web está activada, resultados obtenidos en directo. Esta doble naturaleza implica que la presencia de vuestra marca en las respuestas de ChatGPT depende tanto de cómo fue mencionada en los contenidos utilizados para el entrenamiento (menciones pasadas, difíciles de influir retroactivamente) como de su visibilidad actual en la web cuando la búsqueda está activa. OpenAI mantiene alianzas de contenido con varios editores, lo que puede influir en la frecuencia con la que aparecen ciertas fuentes, sin que esto esté documentado de forma exhaustiva y pública.
Gemini: la integración con el ecosistema Google
Gemini se beneficia de un acceso directo a la infraestructura de búsqueda de Google, lo que lo acerca por naturaleza a las lógicas ya vigentes en el posicionamiento clásico de Google y en los AI Overviews (tratados en una lección dedicada sobre Google AI Overviews). Un contenido ya bien posicionado y técnicamente sólido para el SEO tradicional dispone, por tanto, en tendencia, de un terreno más favorable para aparecer en las respuestas de Gemini que en otros motores construidos sobre lógicas distintas, sin que eso garantice una recogida sistemática.
Claude: prudencia y fuentes limitadas
Claude, desarrollado por Anthropic, adopta históricamente una postura más prudente que sus competidores respecto a la navegación web y la cita de fuentes externas, con una tendencia a apoyarse más en el conocimiento interno del modelo y a formular reservas explícitas cuando una información no puede verificarse en tiempo real. Esta prudencia puede reducir la frecuencia de cita directa de fuentes web recientes en comparación con un motor como Perplexity, pero hace aún más importante que vuestra marca tenga presencia en contenidos de referencia ampliamente difundidos y retomados, que tienen más probabilidades de haberse integrado en el conocimiento del modelo.
Qué conviene recordar pese a las diferencias
Estas diferencias de arquitectura no deben llevar a una estrategia fragmentada motor por motor: los fundamentos que hacen que un contenido sea citable (claridad, sourcing, autosuficiencia de la información, autoridad percibida de la marca) siguen siendo válidos en todos los casos. Lo que varía es el peso relativo de cada factor y la actualidad de las fuentes consultadas. Una buena práctica consiste en observar con regularidad cómo aparece (o no) vuestra marca en las respuestas de cada uno de estos motores para consultas representativas de vuestro sector, en lugar de fiarse de generalidades que quedan obsoletas rápidamente, dado lo rápido que evolucionan estos productos. En concreto, esto significa someter el mismo panel de preguntas a Perplexity, ChatGPT, Gemini y Claude a intervalos regulares, anotar las fuentes citadas y cómo se presenta vuestra marca en ellas, y luego comparar estos registros a lo largo del tiempo en lugar de fiarse de una observación aislada. Esta disciplina de observación repetida, motor por motor, resulta más reveladora que una auditoría puntual: permite detectar si un cambio en vuestro contenido o en una alianza de distribución ha tenido un efecto real en vuestra presencia.
Tened también en cuenta que estos comportamientos cambian con cada actualización de cada producto: un panorama fijado en un momento dado queda obsoleto rápido, de ahí el interés de seguir la evolución general del panorama de la búsqueda en lugar de quedarse con una regla definitiva para cada motor.